論文の概要: Multi-Fidelity Learning with Shallow Recurrent Decoders for Reactor Physics

• arxiv url: http://arxiv.org/abs/2606.05202v1
• Date: Fri, 22 May 2026 17:14:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.607945
• Title: Multi-Fidelity Learning with Shallow Recurrent Decoders for Reactor Physics
• Title（参考訳）: 反応器物理用低繰り返し復号器を用いた多相学習
• Authors: Stefano Riva, Carolina Introini, J. Nathan Kutz, Antonio Cammi,
• Abstract要約: 原子炉物理学では、中性子は使用者のニーズに応じて異なる忠実度で扱うことができる。 本研究は,Shallow Recurrent Decoders を用いた多重忠実度情報の利用の可能性を検討する。
• 参考スコア（独自算出の注目度）: 2.268582656930941
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In reactor physics, neutronics can be treated with different fidelity levels, according to the needs of the user. On one hand, the precise modeling of neutrons' behaviour in reactor physics is often expensive and time-consuming due to the high computational costs to numerically solve the Boltzmann transport equation. Conversely, by adopting suitable assumptions, such as the SP$_N$, diffusion theory, and point kinetics, it is possible to generate efficiently low-fidelity data. From the perspective of surrogate models, this computational limitation translates into a scarcity of high-fidelity data and a significant amount of low-fidelity data. Given this difference in fidelity levels, it would be interesting to develop a suitable procedure to map low-fidelity models towards higher fidelity models; for instance, one could obtain the solution to a multi-group diffusion equation starting from time-series data obtained from a point kinetics model. Indeed, this work investigates this possibility by leveraging multi-fidelity information with Shallow Recurrent Decoders, a novel machine learning architecture able to map time-series observations to the full state of the reactor. This technique has been designed to use local or global measurements as input and map their temporal trajectories to the high-dimensional state; by the same logic, in principle, this architecture can also be used when the input is formed by the solution of a lumped model. This work applies this idea to a benchmark reactor geometry, mapping the point kinetics model to the diffusion solution under various input conditions, with much less computational costs.
• Abstract（参考訳）: 原子炉物理学では、中性子は使用者のニーズに応じて異なる忠実度で扱うことができる。 一方、原子炉物理学における中性子の挙動の正確なモデリングは、ボルツマン輸送方程式を数値的に解くための計算コストが高いため、しばしば高価で時間を要する。 逆に、SP$_N$、拡散理論、点運動学といった適切な仮定を採用することで、効率よく低忠実性データを生成することができる。 代理モデルの観点からすると、この計算制限は、高忠実度データの不足と、かなりの量の低忠実度データに変換される。 例えば、点運動学モデルから得られる時系列データから得られる多群拡散方程式の解を得ることができる。 実際、本研究では、Shallow Recurrent Decodersという、時系列観測を反応器の完全な状態にマッピングできる新しい機械学習アーキテクチャを用いて、多要素情報を活用することにより、この可能性について検討する。 この手法は、局所的あるいは大域的計測を入力として使用し、その時間軌道を高次元状態にマッピングするように設計されている。 この研究は、このアイデアをベンチマークリアクトル幾何学に適用し、点運動学モデルを様々な入力条件下で拡散解にマッピングし、計算コストを大幅に削減する。

関連論文リスト

• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• A Physics-informed Diffusion Model for High-fidelity Flow Field Reconstruction [0.0]
  本研究では,高忠実度データのみを使用する拡散モデルを提案する。 異なる構成で、本モデルでは、正規の低忠実度サンプルまたはスパース測定サンプルから高忠実度データを再構成することができる。 本モデルでは, 異なる入力源に基づく2次元乱流の正確な再構成結果が得られるが, 再学習は行わない。
  論文  参考訳（メタデータ） (2022-11-26T23:14:18Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Interfacing Finite Elements with Deep Neural Operators for Fast Multiscale Modeling of Mechanics Problems [4.280301926296439]
  本研究では,機械学習を用いたマルチスケールモデリングのアイデアを探求し,高コストソルバの効率的なサロゲートとしてニューラル演算子DeepONetを用いる。 DeepONetは、きめ細かい解法から取得したデータを使って、基礎とおそらく未知のスケールのダイナミクスを学習してオフラインでトレーニングされている。 精度とスピードアップを評価するための様々なベンチマークを提示し、特に時間依存問題に対する結合アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-25T20:46:08Z)
• Surrogate-data-enriched Physics-Aware Neural Networks [0.0]
  そこで我々は,低次モデル (ROM) のような他の代用モデルから得られる,安価だが不正確なデータを用いて,物理認識モデルをどのように豊かにすることができるかを検討する。 概念実証として, 1次元波動方程式を考察し, ROMからの不正確なデータが組み込まれた場合, トレーニング精度が2桁に向上することを示す。
  論文  参考訳（メタデータ） (2021-12-10T12:39:07Z)
• Physics-enhanced deep surrogates for partial differential equations [30.731686639510517]
  本稿では, 複雑な物理系のための高速サロゲートモデル開発に向けて, 物理強化ディープサロゲート(PEDS)アプローチを提案する。 具体的には,低忠実で説明可能な物理シミュレータとニューラルネットワークジェネレータの組み合わせを提案する。
  論文  参考訳（メタデータ） (2021-11-10T18:43:18Z)
• Multi-fidelity Generative Deep Learning Turbulent Flows [0.0]
  計算流体力学では、精度と計算コストの間に必然的なトレードオフがある。 本研究では,高忠実度乱流場の代理モデルとして,新しい多自由度深部生成モデルを提案する。 結果として生じるサロゲートは、物理的に正確な乱流実現を、高忠実度シミュレーションのそれよりも低い計算コストで生成することができる。
  論文  参考訳（メタデータ） (2020-06-08T16:37:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。